[發明專利]數據挖掘方法、裝置、終端設備和可讀存儲介質

在審

• 申請號: 202010584569.2
• 申請日: 2020-06-23
• 公開（公告）號: CN111737469A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 衣楊;佘瀅;宋嘉倫;趙福利;林倩青;周曉聰
• 申請（專利權）人: 中山大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06F40/216
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 梁韜

1.一種數據挖掘方法，其特征在于，該方法包括：

對待分析數據進行處理以獲取標準數據集；

當以所述標準數據集作為待分類的目標集時，在目標集中選取一個數據樣本作為聚類中心；

以目標集的聚類中心和距離所述目標集的聚類中心最遠的數據樣本為中心執行分類操作；

根據預設的誤差平方和公式分別計算各個類別的緊湊度；

以緊湊度最小的類別作為新的目標集，重復執行所述分類操作，直至分類數目達到預設數目。

2.根據權利要求1所述的數據挖掘方法，其特征在于，以目標集的聚類中心和距離所述目標集的聚類中心最遠的數據樣本為中心執行分類操作，包括：

根據距離度量公式計算所述目標集中各個數據樣本與所述目標集的聚類中心之間的第一距離，以及所述目標集中各個數據樣本與所述距離所述目標集的聚類中心最遠的數據樣本之間的第二距離；

將所述第一距離小于所述第二距離的數據樣本作為一類；

將所述第一距離大于等于所述第二距離的數據樣本作為另一類。

3.根據權利要求1所述的數據挖掘方法，其特征在于，通過以下方式確定距離所述目標集的聚類中心最遠的數據樣本：

通過距離度量公式計算所述目標集中各個數據樣本與所述目標集的聚類中心之間的距離；

選取距離最大的數據樣本作為距離所述目標集的聚類中心最遠的數據樣本。

4.根據權利要求2或3所述的數據挖掘方法，其特征在于，所述距離度量公式如下：

dis代表兩個數據樣本之間的距離，A_i代表一個數據樣本的權值向量的第i個坐標點，B_i代表另一個數據樣本的權值向量的第i個坐標點，n代表權值向量中坐標點數目。

5.根據權利要求1所述的數據挖掘方法，其特征在于，所述誤差平方和公式如下：

ASSE代表所述誤差平方和，用于反映以c_l作為聚類中心的類別的緊湊度，c_k代表另一個聚類中心，m代表以c_l作為聚類中心的類別中的數據樣本數目，x_j代表以c_l作為聚類中心的類別中的第j個數據樣本，r代表正則化常數。

6.根據權利要求1所述的數據挖掘方法，其特征在于，所述對待分析數據進行處理以獲取標準數據集，包括：

對待分析數據進行文本分詞，并構建詞袋模型向量；

利用詞頻-逆向文件頻率方法統計所述詞袋模型向量中的常見詞匯和重要詞匯，以獲取文本-詞匯矩陣；

對所述文本-詞匯矩陣進行降維處理以獲取標準數據集。

7.一種數據挖掘裝置，其特征在于，該裝置包括：

數據預處理模塊，用于對待分析數據進行處理以獲取標準數據集；

初始聚類中心選取模塊，用于當以所述標準數據集作為待分類的目標集時，在目標集中選取一個數據樣本作為聚類中心；

分類操作執行模塊，用于以目標集的聚類中心和距離所述目標集的聚類中心最遠的數據樣本為中心執行分類操作；

緊湊度計算模塊，用于根據預設的誤差平方和公式分別計算各個類別的緊湊度；

新目標集確定模塊，用于以緊湊度最小的類別作為新的目標集，重復執行所述分類操作，直至分類數目達到預設數目。

8.根據權利要求7所述的數據挖掘裝置，其特征在于，通過以下方式確定距離所述目標集的聚類中心最遠的數據樣本：

通過距離度量公式計算所述目標集中各個數據樣本與所述目標集的聚類中心之間距離；

選取距離最大的數據樣本作為距離所述目標集的聚類中心最遠的數據樣本。

9.一種終端設備，其特征在于，包括存儲器和處理器，所述存儲器用于存儲計算機程序，所述處理器運行所述計算機程序以使所述終端設備能執行權利要求1至6任一項所述的數據挖掘方法。

10.一種可讀存儲介質，其特征在于，其存儲有計算機程序，所述計算機程序在處理器上運行時執行權利要求1至6任一項所述的數據挖掘方法。